【车道线识别技术的发展研究的国内外文献综述2800字】

车道线识别技术的发展研究的国内外文献综述车道线识别可辅助自动驾驶系统判断车辆在道路运行时所处位置，还可以判断汽车行驶是否发生偏离，用于支撑车道偏离预警系统。现有的车道线识别方法可分为两大类：基于深度学习的车道线识别和非深度学习的车道线识别。非深度学习的车道线识别又可分为基于道路特征方法、基于道路模型方法和基于多传感器信息融合方法。基于道路特征方法的基本思路是，首先利用对传统视觉特征的提取方法对道路场景和车道线特征进行提取，然后根据道路场景与车道线特征的差异进行图像分割和后处理，最后得到车道线识别结果。其中常用的视觉特征有边缘特征[65,66]、色调-饱和度-强度（Hue-Saturation-Intensity，HSI）特征[67]、色彩空间特征[68]、霍夫变换特征[69–78]、LSD线段检测特征[79]、颜色不变性特征[80,81]、B-Spline曲线拟合特征[82]、Canny特征[83]和Gabor特征[84]等。后处理方法包括卡尔曼滤波[37,85]、粒子滤波[72]、Markov和条件随机场[86]。基于道路特征的车道线识别方法容易受到光照、阴影等环境因素影响。基于道路模型方法的基本思路是通过确定道路的二维或三维模型的各个参数来完成对车道线的识别。常见的有基于贝塞尔曲线模型[87]、抛物线模型[88]、VP模型[chi]、双曲线模型[89]和顶视图模型[90]。基于道路模型的方法对特定道路的识别精度相对较高，但这种方法的运算量偏大且局限性较强。基于多传感器信息融合方法的是指综合利用相机、车载激光雷达、GPS等传感器信息，采用信息融合的方法来提高车道线的识别精度。常见的融合方法有视觉+激光雷达[91,92]、视觉+激光雷达+GPS[93]、视觉+毫米波雷达+GPS[94]、视觉+高精度地图[95]等。由于雷达对环境的敏感度较低且成本较高，目前难以用于实车；同时，GPS的精度和高清地图绘制等问题也制约了相关融合方法的研究和发展。以上三种非深度学习方法有两个共同缺点：一是手工绘制的特征是场景的浅层特征，且它们的表示能力有限，容易受到场景噪声的影响；二是后处理方法的特征集成能力也受到限制。因此，非深度学习方法的车道线识别性能并不理想。近年来，深度学习技术在图像分析领域取得了一系列重大突破。基于深度学习的车道线识别可分为以下几种：基于语义分割的方法、生成对抗网络（GenerativeAdversarialNetwork,GAN）方法、知识蒸馏方法、行分类方法和其他方法。1）基于语义分割的车道线识别基于语义分割的车道线识别网络的基本框架是给图像中的每个像素分配标签，并使用深度学习语义分割网络以端到端学习的方式对这些像素进行分类，以判断哪些像素属于车道线、属于哪条车道线，哪些属于背景。2015年，Huval等[96]首次尝试了在车道线识别中采用深度学习网络，但该方法没有在大规模数据集上进行验证。2017年，Kim等[97]提出了直接采用图像分割的方法识别车道线。2018年，Neven等[98]采用二值分割和实例分割两种方法识别车道线，同时使用CNN学习透视变换矩阵参数拟合车道线。2018年，Chen[99]采用编码器-解码器（Encoder-Decoder）结构，并使用扩张卷积改进了VGG网络[100]识别车道线，此外还引入了3次多项式拟合的后处理方式以解决弯曲车道线的识别。2018年，Bruls等[101]提出在缺乏标注数据时的弱监督学习车道线识别方法，该方法可使用车载传感器生成的标注图像对车道线分割网络进行训练。2018年，Pan等[102]提出空间卷积神经网络（SpatialCNN，SCNN），SCNN将多张特征图的行或列视为新的特征图进行特征提取，从而加强了对网络空间信息的理解，得到了更好的车道线识别精度。2018年，Zhang等[103]提出了一种同时进行车道分割和车道线分割的网络，由于车道线即车道的边界，所以可以利用这种关系提升车道线的识别精度。2019年，Gansbeke等[104]提出了一种结合语义分割模型和曲线函数拟合的车道线识别方法，该网络可直接预测曲线拟合的车道线参数。2）基于GAN的车道线识别随着GAN的兴起，研究人员开始尝试使用此网络识别车道线。2018年，Ghafoorian等[105]提出了EmbeddingLoss-GAN（EL-GAN），利用GAN直接生成车道线的语义分割图，该网络还引入车道线标签作为额外的输入，得到了更优的结果。随着风格迁移网络（Cycle-GAN）的兴起，2020年Liu等[106]使用改进的Better-Cycle-GAN对弱光照环境的图像进行了风格迁移，产生了特征更加明显的图像，并使用这些转换后的图像作为车道线识别网络的输入，增强了网络对弱光照环境下车道线的识别精度。3）基于知识蒸馏的车道线识别随着知识蒸馏在模型小型化应用中的普及，近年来也涌现了不少基于知识蒸馏网络的车道线识别方法。2019年，Hou等[107]将自注意蒸馏（SelfAttentionDistillation,SAD）方法用于车道线识别，该方法通过聚合上下文信息，把高层次的注意力当作教师，把低层次的注意力当作学生，学生网络使用轻量级的骨干网络（Backbone），在保持实时性的同时提高了网络的检测精度。2020年，Hou等[108]提出了区域间亲和力知识蒸馏网络（Inter-RegionAffinity-KnowledgeDistillation,IntRA-KD），该网络将给定的道路场景图像分解为不同的区域，并将每个区域表示为图形中的一个节点，然后通过节点在特征分布中的相似性，在节点之间建立成对的关系以形成区域间亲和图，学生网络通过学习教师网络生成的区域间亲和图进行学习。4）基于行分类方法的车道线识别行分类方法是一种基于输入图像网格划分的车道线识别方法，利用网络预测在每一行中最可能包含部分车道线的单元格，然后通过后处理复建整条车道线。2020年，Yoo等[109]提出基于行分类的第一个网络，即端到端车道线标识检测（End-to-EndLaneMarkerDetection，E2E-LMD）网络；Qin等[110]提出了高速的基于行分类的车道线识别网络，即将基于行的多单元格分类转化为对该行中可能包含车道线片段锚点的检测，从而降低了整体网络的参数量，提升了速度。5）其他车道线识别Xu等[111]提出了转弯车道线神经结构搜索（CurveLanes-NAS）网络，该网络使用了神经结构搜索（NeuralArchitectureSearch,NAS）来寻找更好的骨干网络，但NAS的计算量非常大，训练时间长达5000个GPU（GraphicsProcessingUnit）小时。2020年，Tabelini等[112]提出PolyLaneNet网络，该网络将每个车道线表示为一个多参数的多项式，然后利用深度学习模型学习该多项式的参数，同时预测每个车道线多项式的置信度得分，以置信度最高得分的预测值作为最终的车道线识别结果。2017年，Lee等[113]提出了融合VP检测的多任务车道线识别方法，建立了消失点导引网络（VanishingPointGuidedNetwork,VPGNet），该网络可依靠VP来训练网络以得到更高精度的检测结果。在VP检测时，将图像分为4个象限，并对4个象限分别进行提取，最后以原点位置作为VP位置。此网络由于引入了更多的参数使得自身的速度变慢，此外4个象限的引入加大了标注和训练的成本，因此该网络未得到广泛的应用[113]。2017年，Li等[114]提出了CNN和循环神经网络（RecurrentNeuralNetwork,RNN）相结合的方法，该方法首先对道路图像进行连续切片，然后采用CNN作为特征抽取器对每个切片进行处理，最后利用RNN从图像切片得到的特征图中推断出车道线。2016年，He等[115]提出了双视角卷积网络（Dual-ViewCNN,DVCNN）用于车道线识别，该方法可综合利用主视图和俯视图图像识别车道线。2018年，Chougule等[116]将图像中的车道线离散化为点，并将车道线识别问题转化为对离散点的回归问题。2019年，Li等[117]提出线卷积神经网络（Line-CNN），并使用线推荐单元（LineProposalUnit,LPU）识别车道线。通过研读国内外相关文献发现，有关基于图像的室外场景VP检测及车道线识别研究已有不少成果，非深度学习的VP检测方法通常受限于较弱的特征提取能力